Análisis del Rendimiento y Aceleración de Learned Hash-Indexes en Arquitecturas de Supercomputación

Identificador:  TFG:9490

Handle: https://hdl.handle.net/20.500.11797/TFG9490

Autores:  Palazón Balmaseda, Montserrat

Resumen:
El crecimiento exponencial de los datos genómicos supone un desafío para el rendimiento de las herramientas de análisis genómico, especialmente durante el mapeo de lecturas largas. Las tablas hash, ampliamente utilizadas en la fase de inicialización, presentan problemas de acceso irregular a la memoria y una baja localidad de caché en el hardware actual. Los índices hash aprendidos, que utilizan modelos como RMI para predecir ubicaciones clave, ofrecen una alternativa prometedora. Esta tesis analiza su rendimiento y demuestra que, con optimizaciones de software como el procesamiento por lotes, la precarga y la vectorización, los índices aprendidos pueden superar a los tradicionales. Nuestros resultados muestran que logran una aceleración de 2,90×, una reducción de 3,87× en MPKI y una disminución de los ciclos limitados por memoria del 66,80 % al 13,65 %, lo que libera su potencial en los procesadores modernos.